インドネシアの機械学習企業として、Alfabetaは汎用の既製品ではなく、自社のデータと領域に合わせたモデルを必要とする組織のパートナーとなります。当社の実践は、データの準備とラベリングから、アーキテクチャの選定、学習、厳密な評価に至るライフサイクル全体を担い、構築するビジョン・分析モデルが、デモでのみ性能を発揮するのではなく、実際の運用条件に汎化するようにします。これはAlfabetaの本番コンピュータービジョン製品を支えるのと同じエンジニアリングの規律です。
作業の中核はカスタムコンピュータービジョン開発です。当社のエンジニアはPythonとC/C++で作業し、CUDAとOpenCLによるGPUプログラミングを用いて、お客様固有の対象物、欠陥、事象を中心にモデルを設計・学習します。対象が生産ライン上の欠陥クラスであれ、監視映像内の行動であれ、業界固有の物体カテゴリーであれ、当社はモデル学習を反復的なプロセスとして扱います。代表的なデータセットをキュレーション・拡張し、適切なアーキテクチャを選定し、何かをリリースする前にaccuracy、precision、recallを実世界のデータに照らして検証します。
学習にとどまらず、導入、バージョン管理、監視、再学習を自動化するMLOpsパイプラインでモデルを運用に乗せるため、モデルが本番稼働後に静かに劣化することはありません。お客様の制約に応じてエッジとクラウドにまたがって導入し、低遅延のオンデバイス推論のためにモデルをパッケージ化・最適化してエッジデバイス上で動作させたり、スループットと集中管理がより重要な場合には、標準的なWebサーバーの背後でUnixベースのインフラ上にクラウドでスケールさせたりします。適切なターゲットは、お客様の遅延、接続性、プライバシー、コストの要件を中心に選択されます。
また、取り組みの初期段階にあり、課題の定義、データがそれを支えられるかの評価、本番への現実的な道筋の選択に助けを必要とするチームには、AIコンサルティングも提供します。目指す成果は一度限りのプロトタイプではなく、保守しやすいシステムです。ドリフト検知と再学習を組み込み、研究デモではなく本番のコンピュータービジョンを提供してきた経験豊富なチームに支えられ、データと要件の変化に応じて性能を発揮し続けるモデルを実現します。
カスタムモデル開発
Python、C/C++、CUDAとOpenCLによるGPUプログラミングを用いて、お客様固有のデータ、対象物、欠陥・事象のクラスを中心にモデルを設計・学習します。このカスタムコンピュータービジョン開発は、ニッチな欠陥タイプから業界固有の物体・行動認識まで、汎用モデルが対応できない課題を狙います。
データのラベリングと準備
データセットをキュレーション、アノテーション、拡張し、ノイズの多いデータや偏ったデータではなく、クリーンで代表的な事例からモデルが学習できるようにします。モデルの品質はデータの品質に制約されるため、ラベリングと準備をあと回しではなくプロジェクトの重要な一部として扱います。
厳密な評価
何かをリリースする前にaccuracy、precision、recallを実世界の条件に照らして検証するため、性能はキュレーションされたテストセットだけでなく、お客様の運用環境を反映します。評価基準は事前に合意され、モデルが達成すべきビジネス成果に結び付けられます。
MLOpsパイプライン
導入、バージョン管理、監視を自動化し、モデルが気づかれずに劣化するのではなく、本番で安定稼働し続けるようにします。パイプラインにより、新しいモデルバージョンの昇格、必要に応じたロールバック、どこで何が稼働しているかの明確な記録の維持が容易になります。
エッジ・クラウド導入
低遅延のオンデバイス推論のためにモデルを最適化・パッケージ化してエッジデバイス上で動作させたり、標準的なWebサーバーの背後でUnixベースのインフラ上にクラウドでスケールさせたりします。導入ターゲットは、お客様の遅延、接続性、プライバシー、コストの制約を中心に選択されます。
継続的な再学習
ドリフトを検知し、最新データで再学習して、条件、製品、環境が時間とともに変化しても高い性能を維持します。これによりループが閉じ、リリース時に正確だったモデルが数か月後も正確であり続けます。
よくある質問
インドネシアの機械学習企業と取り組むとは、具体的にどういうことですか。
取り組みは通常、ライフサイクル全体にわたります。課題の定義を支援し、お客様のデータを準備・ラベリングし、適切なモデルを選定・学習し、実際の条件に照らして厳密に評価し、その後本番で導入・監視します。Alfabetaは自社のコンピュータービジョン製品を構築・運用しているため、カスタムプロジェクトを研究実験として扱うのではなく、同じエンジニアリングの実践を適用します。
カスタムモデルを構築するのですか、それとも学習済み製品のみを提供するのですか。
カスタムコンピュータービジョン開発を行います。Python、C/C++、CUDAとOpenCLによるGPUプログラミングを用いて、お客様固有の対象物、欠陥、事象を中心にモデルを設計・学習します。これは当社の構築済みAPI製品とは異なるものであり、課題やデータが汎用モデルではうまく機能しないほど固有である場合に適した道筋です。
モデルはエッジで動作できますか、それともクラウドが必要ですか。
どちらも対応しています。低遅延のオンデバイス推論のためにモデルを最適化・パッケージ化してエッジデバイス上で動作させることも、スループットと集中管理がより重要な場合にはUnixベースのインフラ上にクラウドでスケールさせることもできます。導入ターゲットは、お客様の遅延、接続性、データプライバシー、コストの要件を中心に選択されます。
リリース後のモデルの劣化をどのように防ぎますか。
導入、バージョン管理、監視を自動化するMLOpsパイプラインを、ドリフト検知と最新データでの再学習とともに構築します。これにより性能が継続的に監視され、条件が変化したときにモデルが再学習されるため、精度が静かに低下するのではなく、長期にわたって維持されます。
取り組みの初期段階で、データが準備できているか不安です。支援してもらえますか。
はい。AIコンサルティングを通じて、課題の定義、利用可能なデータが現実的にそれを支えられるかの評価、本番への実践的な道筋の選択を支援します。データの品質がモデルの品質を制約するため、この初期の評価は、モデル学習を始める前に多くの時間とコストを節約することがしばしばあります。